# pdf2office-md-zip-project

**Repository Path**: aylerh/pdf2office-md-zip-project

## Basic Information

- **Project Name**: pdf2office-md-zip-project
- **Description**: 项目a2-image/pdf转高质量office/pdf/md-基于正则替换【ocr法】pdf或图片识别为office文件-基于paddleocr-vl-1.5【推荐】aylerh/pdf2office-md-zip-project功能：（1）pdf或图片->包含zip，pptx，docx,xlsx,PDF (图片式)和PDF (非图片式)；（2）识别md的对比修改；优点：（1）一键启动
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-19
- **Last Updated**: 2026-03-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# PDF2Office - PDF/图片 OCR 识别与多格式转换系统

基于 Docker Compose 一键部署的智能文档处理系统，集成 PaddleOCR-VL 大模型进行 OCR 识别，支持将 PDF 或图片转换为 Markdown、PPTX、DOCX、XLSX、PDF 等多种格式。

## 页面预览

### 主页 - OCR 解析
![ocr](./images/1.png)

### PDF/图片转换工具
![convert](./images/2.png)

### 对比导出
![compare](./images/3.png)

## 功能特性

### OCR 识别
- 支持上传 PDF 或图片（JPG/PNG/WebP/TIFF）进行 OCR 识别
- 基于 PaddleOCR-VL-1.5-0.9B 大模型，识别精度高
- 并发 OCR 处理（最多 3 并发），10 页 PDF 约 30-50 秒
- 输出包含 Markdown、布局解析 JSON、提取图片的 ZIP 包

### 多格式导出
OCR 识别后可一键导出为以下格式：

| 格式 | 说明 |
|------|------|
| **Markdown ZIP** | 包含 MD 文件、JSON 结果和提取的图片 |
| **PPTX** | 按原始布局还原的演示文稿 |
| **DOCX** | Word 文档（嵌入图片，支持表格） |
| **XLSX** | Excel 表格（支持仅提取表格模式） |
| **PDF (图片式)** | 光栅化 PDF，防复制 |
| **PDF (非图片式)** | 文本式 PDF，可选中内容 |

### 文档转换工具
- PDF 转图片（批量提取为 ZIP）
- 图片/PDF 合并为 PDF（图片式/非图片式）
- Markdown ZIP 转 PDF
- PDF 压缩（4 级质量：screen/ebook/printer/prepress）
- PDF 拆分（均分/范围提取/差集模式）
- ZIP 内图片合并为 PDF

## 系统架构

系统由 4 个 Docker 服务组成，通过内部网络通信：

```
用户浏览器
    |
    v
pdf-worker (Go, :8501)  <-- 前端页面 + 文档转换 + 任务管理
    |
    |-- OCR 请求 --> ocr-api (:8503/:8080)  <-- OCR 流水线服务
    |                      |
    |                      v
    |                  vlm-server (:8504)  <-- vLLM 推理引擎 + GPU
    |                      |
    |                      v
    |                  PaddleOCR-VL-1.5-0.9B 模型
    |
    |-- ZIP --> pptx-service (Python, :8502)  <-- PPTX 转换微服务
```

### 服务说明

| 服务 | 语言 | 端口 | GPU | 说明 |
|------|------|------|-----|------|
| `vlm-server` | Python | 8504 | 需要 | vLLM 大模型推理引擎 |
| `ocr-api` | Python | 8503(外部)/8080(内部) | 需要 | OCR 流水线服务 |
| `pptx-service` | Python | 8502 | 不需要 | PPTX 转换微服务 |
| `pdf-worker` | Go | 8501 | 不需要 | 主服务（前端+转换+任务管理） |

## 快速开始

### 环境要求
- NVIDIA GPU，8GB 显存即可（如 RTX 4060）
- Docker + Docker Compose
- NVIDIA Container Runtime

### 1. 拉取镜像（注意退出代理）

```bash
# vLLM 推理服务镜像（约 14.35GB，离线镜像）
docker pull ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-genai-vllm-server:latest-nvidia-gpu-offline

# OCR 流水线服务镜像（约 10.44GB，离线镜像）
docker pull ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-vl:latest-nvidia-gpu-offline
```

### 2. 启动所有服务

```bash
docker compose up -d --build
```

### 3. 访问

| 页面 | 地址 |
|------|------|
| OCR 识别主页 | http://localhost:8501 |
| 文档转换工具 | http://localhost:8501/convert |
| OCR 结果编辑器 | http://localhost:8501/editor |
| API 文档 (Swagger) | http://localhost:8501/docs/index.html |

## 单服务重建

```bash
# 全部重新构建
docker compose down; docker compose up -d --build

# 仅重建 pptx-service
docker compose down pptx-service; docker compose up -d --build pptx-service

# 仅重建 pdf-worker
docker compose down pdf-worker; docker compose up -d --build pdf-worker
```

## 配置说明

### 根目录 `.env`

```env
API_IMAGE_TAG_SUFFIX=latest-nvidia-gpu-offline    # OCR API 镜像标签
VLM_IMAGE_TAG_SUFFIX=latest-nvidia-gpu-offline    # vLLM 镜像标签
VLM_BACKEND=vllm                                  # 推理后端
PDF_WORKER_PORT=8501                              # Go 主服务端口
OCR_API_PORT=8503                                 # OCR API 外部端口
```

### vLLM 推理配置 (`paddleocr-vl-1.5-docker-project/vllm_config.yaml`)

```yaml
gpu_memory_utilization: 0.75    # GPU 显存利用率（8GB 安全值）
max_num_batched_tokens: 8192    # 批次大小（防 OOM）
max_model_len: 10240            # 模型最大上下文长度
dtype: bfloat16                 # 数据类型
max_num_seqs: 16                # 最大并发序列数
```

### OCR 流水线配置 (`paddleocr-vl-1.5-docker-project/pipeline_config_vllm.yaml`)

- 模型：PaddleOCR-VL-1.5-0.9B
- 布局检测：PP-DocLayoutV3
- 批量大小：64（推理 4096）

## 技术栈

| 范畴 | 技术 | 用途 |
|------|------|------|
| **核心框架** | Go 1.24 (Gin) | 主服务 HTTP 路由与并发控制 |
| **OCR 引擎** | PaddlePaddle PaddleOCR-VL-1.5 | 大模型 OCR 识别 |
| **推理引擎** | vLLM | 高性能大模型推理 |
| **PPTX 生成** | Python (FastAPI + python-pptx) | PPTX 转换微服务 |
| **图像处理** | bimg (libvips) | 裁剪、缩放、格式转换 |
| **PDF 合并** | qpdf | 无损 PDF 结构操作 |
| **PDF 渲染** | wkhtmltopdf (WebKit) | HTML → 高质量 PDF |
| **PDF 压缩** | Ghostscript | 内核级 PDF 体积优化 |
| **PDF 提取** | pdftoppm (poppler-utils) | PDF → 图片 |
| **Markdown** | goldmark / gomarkdown | MD 解析与 AST 处理 |
| **DOCX 生成** | docxgo/v2 | Word 文件生成 |
| **XLSX 生成** | excelize/v2 | Excel 文件生成 |
| **并发控制** | ants/v2 | Go 协程池（5 并发任务） |
| **容器编排** | Docker Compose | 一键部署 4 个服务 |

## API 概览

所有 API 通过 `pdf-worker` 端口 `8501` 暴露，完整文档见 `/docs/index.html`。

### OCR 相关

| 方法 | 路径 | 说明 |
|------|------|------|
| POST | `/api/ocr` | 单张图片 OCR 识别 |
| POST | `/api/convert/pdf-direct` | PDF → OCR → ZIP（完整流程） |
| POST | `/api/convert/pptx` | ZIP (result.json) → PPTX |
| POST | `/api/convert/file` | MD ZIP → PDF（同步） |

### 文档转换（异步任务）

| 方法 | 路径 | 说明 |
|------|------|------|
| POST | `/api/convert/pdf-to-images` | PDF → 图片 ZIP |
| POST | `/api/convert/images-to-pdf` | 图片/PDF → PDF（图片式） |
| POST | `/api/convert/images-to-pdf-non-raster` | 图片/PDF → PDF（非图片式） |
| POST | `/api/convert/md-zip-to-pdf` | MD ZIP → PDF |
| POST | `/api/convert/md-to-docx` | MD/ZIP → DOCX |
| POST | `/api/convert/md-to-xlsx` | MD/ZIP → XLSX |
| POST | `/api/convert/compress` | PDF/图片压缩 |
| POST | `/api/convert/pdf-split` | PDF 拆分 |

### 任务管理

| 方法 | 路径 | 说明 |
|------|------|------|
| GET | `/api/tasks` | 查看所有任务 |
| POST | `/api/tasks/:id/cancel` | 取消任务 |
| GET | `/api/tasks/:id/download` | 下载任务结果 |

## OCR 请求格式

OCR API 期望的是 **JSON 格式**的请求，包含 base64 编码的文件：

```json
{
  "file": "base64编码的图片或PDF数据",
  "fileType": 1,
  "useLayoutDetection": true,
  "useChartRecognition": false
}
```

## LaTeX 符号清洗

系统内置了完整的 LaTeX 符号清洗管道，自动将 OCR 识别出的 LaTeX 指令转换为 Unicode 符号：

- 希腊字母：`\alpha` → α, `\beta` → β, `\gamma` → γ ...
- 数学符号：`\times` → ×, `\leq` → ≤, `\geq` → ≥, `\approx` → ≈ ...
- 集合论：`\in` → ∈, `\subset` → ⊂, `\cup` → ∪ ...
- 箭头：`\rightarrow` → →, `\Rightarrow` → ⇒ ...
- 分数：`\frac{a}{b}` → a/b
- 上下标、求和、积分等

## 项目参照基础

（1）将文件转为pdf-异步任务：https://gitee.com/aylerh/bimg-go-pdf-img-prject

（2）前端（有md->pptx）：https://gitee.com/AylerH/paddleocr-vl-1.5-docker-front-project

（3）ocr启动后端：https://gitee.com/aylerh/paddleocr-vl-1.5-docker-project

（4）前端（go的任务队列调用）：https://gitee.com/AylerH/paddleocr-vl-1.5-docker-front-go-project

## 许可证

Apache License 2.0

## 作者

aylerh